Knowledge Mapping and Frontier Analysis of Artificial Intelligence Applications in Mental Health Interventions: A CiteSpace‑Based Bibliometric Analysis

Depuis des décennies, le monde est confronté à une crise silencieuse dans les soins de santé mentale. Il y a bien plus de personnes souffrant d'anxiété, de dépression et d'autres troubles qu'il n'y a de thérapeutes formés pour les aider. La pénurie est mondiale, et les listes d'attente sont longues. Ces dernières années, un nouveau type de technologie est apparu pour combler cette lacune : les modèles de langage de grande taille. Ce sont des systèmes informatiques entraînés sur de vastes quantités de texte qui peuvent comprendre et générer le langage humain avec une fluidité surprenante. Ils peuvent tenir des conversations, offrir un soutien émotionnel et même simuler les techniques d'un thérapeute. La promesse est que ces outils pourraient agir comme un pont, fournissant des soins immédiats et accessibles à des millions de personnes qui n'en ont actuellement aucun. Mais à mesure que ces assistants numériques se multiplient, une question critique demeure : fonctionnent-ils réellement, et comment savoir lesquels sont sûrs ?

Pour répondre à cela, une équipe de chercheurs de Chine et des États-Unis a décidé de prendre du recul et d'examiner l'ensemble du paysage de la littérature scientifique sur ce sujet. Au lieu de tester un seul chatbot ou de mener une nouvelle expérience, ils ont rassemblé et analysé 1 685 études publiées dans la base de données Web of Science, une vaste collection de recherches académiques. Ils ont utilisé un outil logiciel spécialisé appelé CiteSpace pour cartographier la façon dont ce domaine s'est développé, qui réalise le travail et quelles questions sont posées. Le résultat est l'image claire d'un domaine qui explose en taille mais qui cherche encore ses marques dans le monde réel.

L'histoire de ce champ de recherche est celle d'une accélération soudaine. Pendant près de quarante ans, de 1982 jusqu'au début des années 2020, le nombre d'études publiées chaque année était infime, oscillant souvent entre une et une douzaine. Les chercheurs exploraient l'idée, mais les progrès étaient lents et dispersés. Puis, en 2023, tout a changé. Cette année-là, le nombre de publications est passé de 22 à 65. La croissance ne s'est pas arrêtée là ; elle a bondi à 183 articles en 2024, près de 600 en 2025, et a atteint 644 à la mi-2026. Ce pic spectaculaire coïncide parfaitement avec la sortie publique d'outils d'intelligence artificielle générative avancés, comme les chatbots qui peuvent désormais écrire des histoires et répondre à des questions complexes. Les données suggèrent que l'arrivée de ces nouvelles technologies puissantes a déclenché une frénésie d'intérêt académique, portant le volume total de la recherche au cours des quatre dernières années à 93 % de tout le travail jamais réalisé dans ce domaine.

Lorsque les chercheurs ont examiné qui porte cette explosion, ils ont trouvé un modèle distinct d'effort mondial. La Chine a produit le plus grand nombre d'articles, avec 534 articles, suivie de près par les États-Unis avec 438. D'autres nations comme l'Angleterre, le Japon et la Corée du Sud ont également contribué de manière significative. Cependant, la carte de la collaboration raconte une histoire différente de la carte de la production. Bien que la Chine ait le plus grand nombre de papiers, ses chercheurs ne sont pas aussi profondément connectés au réseau mondial que leurs homologues américains. Les États-Unis se situent au centre même du réseau de collaboration, agissant comme un moyeu qui relie les chercheurs de nombreux pays différents. En revanche, la recherche chinoise, bien que prolifique, reste quelque peu isolée dans ce réseau. Cela suggère que si de nombreux pays produisent du travail, les États-Unis sont actuellement le principal moteur de la connexion des idées et de la promotion de la coopération internationale dans ce domaine spécifique.

Les institutions menant la charge sont principalement de grandes universités des États-Unis et d'Europe. L'Université de Harvard, le système de l'Université de Californie et l'Université de Londres figurent parmi les principaux producteurs de recherche. Ces groupes ne se contentent pas de construire de meilleurs chatbots ; ils les testent rigoureusement. Ils étudient si ces outils d'intelligence artificielle peuvent diagnostiquer avec précision des troubles comme la dépression ou le trouble obsessionnel-compulsif. Ils mènent des essais cliniques pour voir si parler à un programme informatique peut réellement améliorer les symptômes d'un patient par rapport aux soins traditionnels. Ils sont également profondément préoccupés par la sécurité, étudiant comment ces systèmes pourraient échouer lorsqu'un utilisateur exprime des pensées suicidaires ou comment ils pourraient gérer les différences culturelles sensibles.

Malgré la croissance rapide des chiffres, les chercheurs ont constaté que le domaine est encore à ses premiers stades de maturité. Les sujets les plus courants dans la littérature se concentrent sur la technologie elle-même : comment rendre les modèles meilleurs pour comprendre l'émotion humaine, comment les entraîner sur des thérapies spécifiques comme la thérapie cognitivo-comportementale, et comment s'assurer qu'ils n'inventent pas de faits ou ne donnent pas de conseils dangereux. Il existe un accent marqué sur la « modélisation computationnelle », ce qui signifie utiliser les mathématiques pour comprendre comment le cerveau humain prend des décisions et comment ces outils numériques peuvent imiter ces processus. Les chercheurs travaillent également dur pour créer de meilleures façons de mesurer si ces outils fonctionnent réellement, allant au-delà de simples tests pour voir s'ils peuvent être utilisés dans de véritables cliniques et centres communautaires.

Cependant, un fossé important subsiste entre le laboratoire et l'hôpital. L'analyse montre que bien qu'il existe une richesse de validation technique et de tests à petite échelle, il y a un manque d'études à grande échelle dans le monde réel prouvant que ces outils sont sûrs et efficaces pour la population générale. La majeure partie du travail actuel consiste encore à prouver que la technologie peut fonctionner, plutôt qu'à prouver qu'elle fonctionne pour tout le monde dans la vie de tous les jours. Les chercheurs notent que des questions telles que la confidentialité, le risque que les patients deviennent trop dépendants d'une machine et le besoin de supervision humaine sont encore en cours de résolution. Il n'existe pas encore de méthode unique et standardisée pour évaluer ces outils, et le chemin pour obtenir leur approbation pour une utilisation clinique généralisée n'est pas encore clair.

Les auteurs concluent que le domaine est actuellement porté par l'excitation de la nouvelle technologie, mais qu'il doit passer à la construction d'une base solide pour l'avenir. Ils suggèrent que la prochaine étape n'est pas seulement de construire plus de modèles, mais de réunir des chercheurs de différents pays et disciplines pour mener de grandes études à long terme. Ils appellent au développement de règles claires sur la façon dont les humains et l'intelligence artificielle devraient travailler ensemble en thérapie, en veillant à ce que la technologie soutienne le patient sans remplacer la connexion humaine essentielle. Les données montrent un domaine qui croît plus vite que son infrastructure, un lieu où le potentiel est immense, mais où le voyage d'une idée prometteuse à un outil fiable et salvateur est encore très loin d'être achevé.